Eksik CPT verileriyle güçlendirilmiş Yapay Zeka tabanlı deniz tabanı zemin sınıflandırması için açık deniz rüzgar çiftlikleri

Rüzgar Enerjisinde Deniz Tabanı Zeminlerinin Önemi

Açık deniz rüzgar türbinleri dünyanın en zorlu ortamlarından bazılarına kuruludur ve bunların stabilitesi, dalgaların altına gizlenen şeye—ağır temellerini yerinde tutan deniz tabanı zeminlerine—bağlıdır. Derin sularda bu zeminleri test etmek maliyetlidir ve sıklıkla eksik kalır; bu da mühendislerin parçalı bilgilerle büyük kararlar almasına neden olur. Bu çalışma, yapay zekânın sınırlı test verilerinden tutarlı zemin sınıflandırmaları çıkarmasını nasıl mümkün kıldığını gösteriyor; bu sayede tasarımcılar açık deniz rüzgar türbinlerini daha güvenli ve verimli bir şekilde konumlandırabilir.

Deniz Tabanı Testlerinden Zemin Türlerine

Mühendisler genellikle deniz tabanını kon penetrasyon testleriyle inceler; metal bir kon zemine itilirken zeminin ne kadar direnç gösterdiği, kon çevresinde ne kadar sürtünme oluştuğu ve zemin gözeneklerindeki su basıncının nasıl değiştiği ölçülür. Bu ölçümler geleneksel olarak Robertson Sınıflandırması gibi grafiklerle yorumlanır; bu grafikler okumalardaki kalıpları gevşek kum, sert kil veya aradaki karışımlar gibi farklı zemin davranışlarına bağlar. Sorun şu ki, bu grafikler tam ve temiz veri varsayar; gemiler, dalgalar ve derin su açık deniz araştırmalarını karmaşıklaştırdığında bu nadiren sağlanır.

Deniz Tabanı Koşullarının Sanal Kütüphanesini Oluşturmak

Eksik bilgiyi ele almak için araştırmacılar önce sınırlı saha testlerine dayanmak yerine olası zemin koşullarının devasa bir sanal kütüphanesini oluşturdular. Konun temel ölçümleri—uç direnç, manşon sürtünmesi, gözenek suyu basıncı ve zemindeki gerilmeler—için gerçekçi aralıklar kullandılar ve 200.000’den fazla sentetik test kaydı ürettiler. Bu kayıtlar daha sonra Robertson grafiği kullanılarak zemin davranış bölgelerine çevrildi; böylece her simüle edilmiş test bir zemin “etiketi” ile eşlendi. Hem aralıklar boyunca eşit örnekleme yapıp hem de gerçekçi istatistiksel örüntülere göre örnekleme yaparak bu sentetik kütüphanenin çok yumuşak killerden yoğun kum ve çakıllara kadar her durumu kapsaması sağlandı.

Makinelere Deniz Tabanını Okutmak

Bu sentetik kütüphane ile ekip, kon test girdilerinden doğrudan zemin davranışını tahmin etmek için birkaç makine öğrenimi modeli eğitti. Rastgele ormanlar, sinir ağları, destek vektör yöntemleri ve karar ağaçları test edildi ve her bir modelin iç ayarları dikkatle optimize edildi. Bunların arasında rastgele orman modeli öne çıktı; Robertson tabanlı zemin bölgeleriyle neredeyse kusursuz bir sayısal uyum sağladı ve tahminleri standart bir zemin sınıflandırmasına dönüştürüldüğünde %92’nin üzerinde doğruluk elde etti. Modelin iç kontrolleri, kon uç direnci, manşon sürtünmesi ve etkin düşey gerilmenin en etkili girdiler olduğunu gösterdi—bu, uzun süredir var olan geoteknik anlayışla örtüşüyor ve modelin sahte örüntüler yerine gerçek fiziği öğrendiğini düşündürüyor.

Veriler Eksikken Doğrulukta Kalmak

Kritik test, bazı ölçümler eksik olduğunda yapay zekânın yine iyi performans gösterip göstermeyeceğiydi; bu, ekipman arızalarının veya belirli sensörlerin kullanılmaması durumlarını taklit eden gerçek açık deniz saha koşullarıdır. Araştırmacılar sistematik olarak her girişi sırayla çıkardı, yerine belirsiz değerler koydu ve daha sonra doğruluğun ortalamada nasıl değiştiğini görmek için modeli çoklu Monte Carlo çalıştırmalarıyla tekrarladılar. En kritik girdiler—kon direnci, manşon sürtünmesi veya etkin gerilme—eksik olduğunda doğruluk önemli ölçüde düştü ve bunların önemini doğruladı. Ancak gözenek suyu basınçları veya toplam gerilme gibi diğer parametreler yokken model hala genellikle %90’ın üzerinde yüksek doğruluk korudu. Bu, kon test kaydının bazı bölümleri eksik olduğunda bile çerçevenin yararlı zemin sınıflandırmaları sunmaya devam edebileceğini gösterir.

Yöntemi Gerçek Açık Deniz Rüzgar Çiftliklerinde Kanıtlamak

Sanal verilerin ötesine geçmek için ekip, eğitilmiş rastgele orman modelini Tayvan ve Hollanda’daki açık deniz rüzgar çiftliği sahalarından 99 sondaj deliğinden elde edilen 229.808 gerçek kon test kaydına uyguladı. Bu gerçek ölçümlerden hiçbiri eğitimde kullanılmamıştı. Yapay zekânın zemin davranışı tahminleri, zeminleri tane boyutu ve plastisiteye göre gruplandıran yaygın kullanılan bir mühendislik sistemine dayalı bağımsız sınıflandırmalarla karşılaştırıldı. Model bu sınıflandırmalarla %92’den fazla doğrulukla eşleşti ve birkaç mevcut makine öğrenimi yaklaşımını geride bıraktı. Tekrarlı simülasyonlar ayrıca tahminlerin dar bir %95 güven aralığı içinde olduğunu gösterdi; bu da kararlı ve güvenilir bir davranışa işaret ediyor.

Geleceğin Açık Deniz Rüzgarı İçin Anlamı

Uzman olmayanlar için alınacak ders şudur: çalışma deniz tabanını okumaya yönelik akıllı bir asistan sunuyor. Yerleşik mühendislik grafiklerini ortadan kaldırmak yerine, yapay zekâ çerçevesi onları verilerin eksik veya kusurlu olduğu dağınık gerçek dünya durumlarına genişletiyor. Özenle tasarlanmış bir sentetik kütüphaneden öğrenip ardından büyük açık deniz veri setlerinde kendini kanıtlayarak yöntem, deniz tabanı zeminlerini hızlı ve tutarlı şekilde sınıflandırmanın pratik bir yolunu sunuyor. Bu, maliyetli ek testleri azaltabilir, daha güvenli temel tasarımlarını destekleyebilir ve nihayetinde her türbinin altında ne olduğuna dair daha yüksek güvenle daha fazla açık deniz rüzgar projesinin hayata geçirilmesine yardımcı olabilir.

Atıf: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Anahtar kelimeler: açık deniz rüzgarı, deniz tabanı zeminleri, kon penetrasyon testi, makine öğrenimi, temel tasarımı